具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，在智慧电网中，智能电表能够采集用户的用电过程当中的详细信息，包括各种模拟信息和数字信息，前者包括比如用户用电过程中的实时电流波形，后者包括用户在各时间点的用电电量、额定功率等，这样控制中心可以基于所述详细信息来进行负载均衡等各种控制。

但是，由于本身输电线路未明确区分上行和下行信道，因此当控制中心需要从智能电表采集所述详细信息时，必须建立额外的信道连接，比如无线信道等，这显然将增加比如通信负担和计算资源负担的系统负担。

为了解决上述技术问题，本申请技术方案通过在智能电表一端进行数据压缩，来减少智能电表传送到控制中心的数据量，并且，在智能电表一端，基于用户在用电过程中的绝对用电量和用电量变化数据来设置自适应地调整数据压缩比例，这样减少智能电网系统的通信负载。

基于此，本申请提供了一种智能电表数据压缩方法，其包括：获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据；将所述每个智能电表的绝对用电量数据和用电量变化数据分别构造为绝对用电量向量和用电量变化向量；将所述绝对用电量向量和所述用电量变化向量分别乘以其转置以获得用于表示绝对用电量关联的第一矩阵和用于表示用电量变换关联的第二矩阵；使用卷积神经网络分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图；获取所述每个智能电表的默认数据压缩比例并将所述每个智能电表的默认数据压缩比例构造为先验概率向量；以所述先验概率向量作为查询向量分别与所述第一特征图和所述第二特征图进行矩阵相乘以获得第一特征向量和第二特征向量；依据贝叶斯公式基于所述第一特征向量和所述第二特征向量中每个位置的特征值，计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量；使用解码器对所述编码特征向量进行解码，以获得与所述编码特征向量长度相等的解码特征向量；以及，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率。

进一步地，如图1所示，在所述智能电表数据压缩方法的应用场景中，各个智能电表(例如，如图1中所示意的M)与控制中心(例如，如图1中所示意的S)之间存在通信链路，例如，通过有线或者无线的方式进行通信，并且，所述智能电表在传输用电电量信息前会进行数据压缩来减少智能电表传送到控制中心的数据量。并且，在本申请的应用场景中，所述智能电表通过智能电表数据压缩算法来自适应地调整其数据压缩比例来满足所述智慧电网的负载情况。

具体地，其在智能电表的一端获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据。然后，以智能电表数据压缩算法对所述绝对用电量数据和用电量变化数据进行处理，以确定各个所述智能电表当前要设置的数据压缩比率，通过这样的方式使得最终所设置的数据压缩比率能更适配于整个所述智慧电网的通信负载。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了根据本申请实施例的智能电表数据压缩方法的流程图。如图2所示，根据本申请实施例的智能电表数据压缩方法，包括步骤：S110，获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据；S120，将所述每个智能电表的绝对用电量数据和用电量变化数据分别构造为绝对用电量向量和用电量变化向量；S130，将所述绝对用电量向量和所述用电量变化向量分别乘以其转置以获得用于表示绝对用电量关联的第一矩阵和用于表示用电量变换关联的第二矩阵；S140，使用卷积神经网络分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图；S150，获取所述每个智能电表的默认数据压缩比例并将所述每个智能电表的默认数据压缩比例构造为先验概率向量；S160，以所述先验概率向量作为查询向量分别与所述第一特征图和所述第二特征图进行矩阵相乘以获得第一特征向量和第二特征向量；S170，依据贝叶斯公式基于所述第一特征向量和所述第二特征向量中每个位置的特征值，计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量；S180，使用解码器对所述编码特征向量进行解码，以获得与所述编码特征向量长度相等的解码特征向量；以及，S190，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率。

图3图示了根据本申请实施例的智能电表数据压缩方法的系统架构的示意图。如图3所示，在所述智能电表数据压缩方法的网络架构中，首先，将获取的每个智能电表在预定时间段内的绝对用电量数据(例如，如图3中所示意的IN0)和用电量变化数据(例如，如图3中所示意的IN1)分别构造为绝对用电量向量(例如，如图3中所示意的V1)和用电量变化向量(例如，如图3中所示意的V2)，特别地，在本申请实施例中，所述每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据基于用户在用电过程中向智能电表传输的实时电流波形通过模数转化器生成。接着，将所述绝对用电量向量和所述用电量变化向量分别乘以其转置以获得用于表示绝对用电量关联的第一矩阵(例如，如图3中所示意的M1)和用于表示用电量变换关联的第二矩阵(例如，如图3中所示意的M2)。然后，使用卷积神经网络(例如，如图3中所示意的CNN)分别从所述第一矩阵和所述第二矩阵中获得第一特征图(例如，如图3中所示意的F1)和第二特征图(例如，如图3中所示意的F2)。然后，将获取所述每个智能电表的默认数据压缩比例构造为先验概率向量(例如，如图3中所示意的Vp)。然后，以所述先验概率向量作为查询向量分别与所述第一特征图和所述第二特征图进行矩阵相乘以获得第一特征向量(例如，如图3中所示意的Vf1)和第二特征向量(例如，如图3中所示意的Vf2)。然后，依据贝叶斯公式基于所述第一特征向量和所述第二特征向量中每个位置的特征值，计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量(例如，如图3中所示意的Ven)。接着，使用解码器(例如，如图3中所示意的Decoder)对所述编码特征向量进行解码，以获得与所述编码特征向量长度相等的解码特征向量(例如，如图3中所示意的Vde)。最终，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率(例如，如图3中所示意的R1至Rn)。

在步骤S110中，获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据。特别地，在本申请的技术方案中，通过在智能电表一端进行数据压缩来减少智能电表传送到控制中心的数据量。为了确定数据压缩比率，首先获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据。

相应地，在本申请实施例中，获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据的过程，包括：首先获取向每个所述智能电表传输的用户在用电过程中的实时电流波形。也就是，在本申请的技术方案中，每个所述智能电表的绝对用电量数据和用电量变化数据基于用户在用电过程中向智能电表传输的实时电流波形生成。

应可以理解，用户用电过程中的实时电流波形是模拟信号，需将其先转化为数字信号来进行传播。相应地，在本申请实施例中，对每个所述实时电流波形进行傅里叶变换，以获得每个所述实时电流波形在各个谐波频率下的电流值，也就是，以傅里叶变换对实时电流波形进行模-数转化。这样，就可以将所述实时电流波形在各个谐波频率下的电流值确定为所述绝对用电量数据，且将所述实时电流波形在相邻谐波频率下的电流值之差确定为所述用电量变化数据。

特别地，在本申请实施例中，考虑到用户用电过程中的实时电流波形包含丰富的信息，且可以通过傅里叶变换将这种模拟信息转换为数字信息进行传送，而傅里叶变换时所选择的频率分量数目将显著影响整体的数据量，因此，在本申请的一些示例中，可通过设置基于傅里叶变换时所选择的频率分量数目的数据压缩方法，可以在进行数据压缩时，在尽可能地保证有效信息的情况下增大数据压缩比率。也就是，在本申请一些示例中，获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据的过程，进一步包括：从每个所述实时电流波形在各个谐波频率下的电流值中截取前N个谐波频率下的数值。

这里，因为所选择的频率分量数据显然与各个智能电表所需要传送的信息量相关，而信息量又与各个智能电表的绝对用电量和用电量变化关联，也就是，绝对用电量越大或者用电量变化越大，代表需要传送的信息量也越大，因此在本申请的方案中选择每个智能电表的绝对用电量和用电量变化数据作为数据基础。

图4图示了根据本申请实施例的智能电表数据压缩方法中，获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据的流程图。如图4所示，在本申请实施例中，获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据，包括步骤：S210，获取向每个所述智能电表传输的用户在用电过程中的实时电流波形；S220，对每个所述实时电流波形进行傅里叶变换，以获得每个所述实时电流波形在各个谐波频率下的电流值；S230，从每个所述实时电流波形在各个谐波频率下的电流值中截取前N个谐波频率下的数值，S240，将所述实时电流波形在各个谐波频率下的电流值确定为所述绝对用电量数据；以及，S250，将所述实时电流波形在相邻谐波频率下的电流值之差确定为所述用电量变化数据。

在步骤S120和步骤S130中，将所述每个智能电表的绝对用电量数据和用电量变化数据分别构造为绝对用电量向量和用电量变化向量，以及，将所述绝对用电量向量和所述用电量变化向量分别乘以其转置以获得用于表示绝对用电量关联的第一矩阵和用于表示用电量变换关联的第二矩阵。这里，所述第一矩阵中各个位置的特征值表示各个智能电表的绝对用电量之间的关联，例如，所述第一矩阵的第1行第3列的特征值表示第三智能电表的绝对用电量和第一智能电表的绝对用电量之间的关联；同理，所述第二矩阵中各个位置的特征值表示各个各个智能电表的用电量变化量之间的关联。

在步骤S140中，使用卷积神经网络分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图。也就是，将第一矩阵和第二矩阵分别通过卷积神经网络以获得第一特征图和第二特征图，以表达各智能电表之间的绝对用电量和用电量变化的深层高维状态关联信息。

应可以理解，使用卷积神经网络可以充分地挖掘出各个智能电表之间的绝对用电量和用电量变化数据的深层高维状态关联信息，以使得后续所设置的数据压缩比率能与各个智能电表之间的绝对用电量和用电量变化数据强关联，通过这样的方式来提高数据压缩比率设置的精准度和适应性。

本领域普通技术人员应知晓，卷积神经网络在提取局部特征方面具有优异的性能表现。特别地，在本申请实施例中，所述卷积神经网络以如下公式分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图；

其中，所述公式为：f_i＝sigmoid(N_i×f_i-1+B_i)

其中，f_i-1为第i层卷积神经网络的输入，f_i为第i层卷积神经网络的输出，N_i为第i层卷积神经网络的卷积核，且B_i为第i层卷积神经网络的偏置向量，sigmoid表示激活函数为sigmoid激活函数。

这样，最终所获得的所述第一特征图和所述第二特征图中各个位置的特征值在0到1区间内，即，所述第一特征图和所述第二特征图通过sigmoid激活函数被投射到概率空间中，以利于后续贝叶斯公式的应用和计算。

当然，在本申请其他示例中，所述卷积神经网络还可以具有其他结构，例如，仅将所述卷积神经网络的最后一层的激活函数设置为sigmoid激活函数，而没有对卷积神经网络的其他层的激活函数的类型做限定，这样同样能够将所述第一特征图和所述第二特征图投射到概率空间中以利于后续贝叶斯公式的应用和计算，且不同激活函数的选择可提高和优化所述卷积神经网络在非线性表达方面的能力。

也就是，在本申请的其他示例中，在使用卷积神经网络分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图中，所述卷积神经网络的最后一层以Sigmoid函数激活以将所述第一特征图和所述第二特征图中各个位置的特征值转化到0到1的区间内。

值得一提的是，在本申请其他示例中，还可以通过其他方式将所述第一特征图和所述第二特征图中各个位置的特征值投射到概率空间中。例如，在本申请其他示例中，可不改变所述卷积神经网络的网络结构，而选择在生成所述第一特征图和所述第二特征图后，将所述第一特征图和所述第二特征图输入类Softmax分类函数以将所述第一特征图和所述第二特征图转化到概率空间中。

这里，所述类Softmax分类函数为yi＝exp(xi)/∑exp(xi)，其中，xi为所述第一特征图或所述第二特征图中各个位置的特征值。基于类Softmax分类函数的函数特性，被转化到概率空间中的所述第一特征图中各个位置的特征值之和为1，被转化到概率空间中的所述第二特征图中各个位置的特征值之和为1，这样所述第一特征图和所述第二特征图中各个位置的特征值进一步表示每个位置相对于全局的分布概率，更加符合贝叶斯公式的条件概率-全概率的计算形式。

在步骤S150中，获取所述每个智能电表的默认数据压缩比例并将所述每个智能电表的默认数据压缩比例构造为先验概率向量。在具体实施中，可将前一时间周期内计算出的数据压缩比率作为所述每个智能电表的默认数据压缩，然后将每个所述智能电表的默认数据压缩比例按照智能电表维度排列为向量。应可以理解，每个智能电表的历史数据压缩比例可以认为是所述第一特征图和第二特征图所代表的条件下的先验概率，因此，所获得的向量为先验概率向量。

在步骤S160中，以所述先验概率向量作为查询向量分别与所述第一特征图和所述第二特征图进行矩阵相乘以获得第一特征向量和第二特征向量。也就是，将所述先验概率向量作为查询向量分别乘以第一特征图和第二特征图以将所述第一特征图中的信息和所述第二特征图中的信息融合到所述先验概率向量中，以分别获得所述第一特征向量和所述第二特征向量。

在步骤S170中，依据贝叶斯公式基于所述第一特征向量和所述第二特征向量中每个位置的特征值，计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量。具体地，在本申请实施例中，基于所述第一特征向量和所述第二特征向量中每个位置的特征值，以如下公式计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量；

其中，所述公式为：yi＝∑_{xi∈J，ai∈L，bj∈K}xi*ai/bi，其中，xi表示所述先验概率向量中每个位置的特征值；ai表示所述第一特征向量中每个位置的特征值，且bi表示所述第二特征向量中每个位置的特征值

也就是，在获得所述第一特征向量和所述第二特征向量后，再依据贝叶斯概率公式，以先验概率向量的每个位置的特征值乘以第一特征向量的每个位置的特征值再除以第二特征向量的每个位置的特征值，以获得在已知绝对值特征分布和变化值特征分布下的后验概率值，从而以后验概率值构成编码特征向量。

应可以理解，基于贝叶斯思想充分利用各个智能电表的绝对用电量和用电量变化数据的特征分布来确定各个智能电表的数据压缩比率，这样最终所设定的数据压缩比率能充分考虑各个智能电表的用电电量信息使得所设置的数据压缩比率能更适配于整个所述智慧电网的通信负载。

在步骤S180中，使用解码器对所述编码特征向量进行解码，以获得与所述编码特征向量长度相等的解码特征向量。在一个具体示例中，所述解码器为由多个全连接层组成的解码器，其在解码过程中能够充分利用所述编码特征向量中各个位置的信息来提高解码的精度。

在步骤S190中，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率。在本申请实施例中，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率的过程，包括：首先，以类Softmax分类函数将所述解码特征向量转换到概率空间中，以使得所述解码特征向量中各个位置的特征值在0到1的区间内。这样，所述解码特征向量中各个位置的特征值用于表示对应的智能电表所应分配的带宽比率。

接着，基于总数据传输带宽和被转化到概率空间的所述所述解码特征向量，确定每个所述智能电表的分配数据带宽。最终，基于所述分配数据带宽与每个所述智能电表的当前数据量，计算每个所述智能电表的数据压缩比率，也就是，以每个所述智能电表的当前数据量除以其所分配数据带宽并将其商值确定为每个所述智能电表的数据压缩比率。

图5图示了根据本申请实施例的智能电表数据压缩方法中，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率的流程图。如图5所示，在本申请实施例中，基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率，包括步骤：S310，以类Softmax分类函数将所述解码特征向量转换到概率空间中，以使得所述解码特征向量中各个位置的特征值在0到1的区间内；S320，基于总数据传输带宽和被转化到概率空间的所述所述解码特征向量，确定每个所述智能电表的分配数据带宽；以及，S330，基于所述分配数据带宽与每个所述智能电表的当前数据量，计算每个所述智能电表的数据压缩比率。

综上，基于本申请实施例的智能电表数据压缩方法被阐明，其通过在智能电表一端进行数据压缩，来减少智能电表传送到控制中心的数据量，并且，在智能电表一端，基于用户在用电过程中的绝对用电量和用电量变化数据来设置自适应地调整数据压缩比例，这样减少智能电网系统的通信负载。

示例性装置

图6图示了根据本申请实施例的智能电表数据压缩装置的框图。

如图6所示，根据本申请实施例的智能电表数据压缩装置600，包括：电量数据单元610，用于获取每个智能电表在预定时间段内的绝对用电量数据和用电量变化数据；向量构造单元620，用于将所述每个智能电表的绝对用电量数据和用电量变化数据分别构造为绝对用电量向量和用电量变化向量；矩阵构造单元630，用于将所述绝对用电量向量和所述用电量变化向量分别乘以其转置以获得用于表示绝对用电量关联的第一矩阵和用于表示用电量变换关联的第二矩阵；特征图提取单元640，用于使用卷积神经网络分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图；先验概率向量构造单元650，用于获取所述每个智能电表的默认数据压缩比例并将所述每个智能电表的默认数据压缩比例构造为先验概率向量；向量查询单元660，用于以所述先验概率向量作为查询向量分别与所述第一特征图和所述第二特征图进行矩阵相乘以获得第一特征向量和第二特征向量；编码特征向量生成单元670，用于依据贝叶斯公式基于所述第一特征向量和所述第二特征向量中每个位置的特征值，计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量；解码单元680，用于使用解码器对所述编码特征向量进行解码，以获得与所述编码特征向量长度相等的解码特征向量；以及，数据压缩比率设置单元690，用于基于所述解码特征向量的各个位置的特征值，确定各个所述智能电表当前要设置的数据压缩比率。

在一个示例中，在上述智能电表数据压缩装置600中，如图7所示，所述电量数据单元610，包括：实时电流波形获取子单元611，用于获取向每个所述智能电表传输的用户在用电过程中的实时电流波形；模数转化子单元612，用于对每个所述实时电流波形进行傅里叶变换，以获得每个所述实时电流波形在各个谐波频率下的电流值；频率截取子单元613，用于从每个所述实时电流波形在各个谐波频率下的电流值中截取前N个谐波频率下的数值；绝对用电量数据确定子单元614，用于将所述实时电流波形在各个谐波频率下的电流值确定为所述绝对用电量数据；以及，用电量变化数据确定子单元615，用于将所述实时电流波形在相邻谐波频率下的电流值之差确定为所述用电量变化数据。

在一个示例中，在上述智能电表数据压缩装置600中，所述卷积神经网络的最后一层以Sigmoid函数激活以将所述第一特征图和所述第二特征图中各个位置的特征值转化到0到1的区间内。

在一个示例中，在上述智能电表数据压缩装置600中，所述卷积神经网络以如下公式分别从所述第一矩阵和所述第二矩阵中获得第一特征图和第二特征图；

其中，所述公式为：f_i＝sigmoid(N_i×f_i-1+B_i)

其中，f_i-1为第i层卷积神经网络的输入，f_i为第i层卷积神经网络的输出，N_i为第i层卷积神经网络的卷积核，且B_i为第i层卷积神经网络的偏置向量，sigmoid表示激活函数为sigmoid激活函数。

在一个示例中，在上述智能电表数据压缩装置600中，所述特征图提取单元640，进一步用于将所述第一特征图和所述第二特征图输入类Softmax分类函数以将所述第一特征图和所述第二特征图转化到概率空间中，且被转化到概率空间中的所述第一特征图中各个位置的特征值之和为1，被转化到概率空间中的所述第二特征图中各个位置的特征值之和为1。其中，所述类Softmax分类函数为：yi＝exp(xi)/∑exp(xi)，其中，xi为所述第一特征图或所述第二特征图中各个位置的特征值。

在一个示例中，在上述智能电表数据压缩装置600中，所述编码特征向量生成单元670，进一步用于：基于所述第一特征向量和所述第二特征向量中每个位置的特征值，以如下公式计算所述先验概率向量中每个位置的特征值对应的后验概率值，以获得由各个位置的后验概率值构成的编码特征向量；

其中，所述公式为：yi＝∑_{xi∈J，ai∈L，bj∈K}xi*ai/bi，其中，xi表示所述先验概率向量中每个位置的特征值；ai表示所述第一特征向量中每个位置的特征值，且bi表示所述第二特征向量中每个位置的特征值。

在一个示例中，在上述智能电表数据压缩装置600中，如图8所示，所述数据压缩比率设置单元690，包括：概率转化子单元691，用于以类Softmax分类函数将所述解码特征向量转换到概率空间中，以使得所述解码特征向量中各个位置的特征值在0到1的区间内；分配数据带宽子单元692，用于基于总数据传输带宽和被转化到概率空间的所述所述解码特征向量，确定每个所述智能电表的分配数据带宽；以及，数据压缩比率计算子单元693，用于基于所述分配数据带宽与每个所述智能电表的当前数据量，计算每个所述智能电表的数据压缩比率。

这里，本领域技术人员可以理解，上述智能电表数据压缩装置600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的智能电表数据压缩方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的智能电表数据压缩装置600可以实现在各种终端设备中，例如智能电表等。在一个示例中，根据本申请实施例的智能电表数据压缩装置600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能电表数据压缩装置600可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能电表数据压缩装置600同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该智能电表数据压缩装置600与该终端设备也可以是分立的设备，并且该智能电表数据压缩装置600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图9来描述根据本申请实施例的电子设备。

图9图示了根据本申请实施例的电子设备的框图。

如图9所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能电表数据压缩方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如数据压缩比率等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线装置和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括数据压缩比率等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能电表数据压缩方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能电表数据压缩方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。